Kapareho ang isang medikal na imahe, dalawang tao ay maaaring magmarka ng mga anomali sa larawan; pareho ang isang legal na teksto, dalawang tao ay maaari itong klasipikahin. Ang mga label na isumite ay maaaring maayos at maaaring basahin ng modelo sa pagtuturo. Ngunit kung ang gawain ay nangangailangan ng propesyonal na pagpapasya, hindi sapat na basehan ang isang pahayag sa profile ng isang tagapag-label na “ako ay isang eksperto.” Sa aplikasyon ng kalidad ng data, inilahad ni @primus_labs ang paggamit ng zkTLS data proof upang i-verify ang kwalipikasyon ng mga propesyonal na tagapag-label sa medisina, batas, at iba pang larangan—halimbawa, kung mayroon silang tamang propesyonal na pagkakakilanlan. Ang ideyang ito ay tumutok sa isang napakasimula ng pagtuturo ng AI: bago pa man pag-usapan kung paano magandang natututo ang modelo, unang i-verify kung ang mga tao na nagbibigay ng mga pagpapasya ay may sapat na kwalipikasyon para sa gawain. Hindi masigurong tama ang bawat label ng isang tao kahit may sertipiko ang kanyang kwalipikasyon—kailangan pa rin ng random sampling, pagsusuri, at pagkorekta. Ngunit kung ang kwalipikasyon ay nakabatay lamang sa sariling pagsasabi, nawawala na ang isang mahalagang batayan sa kontrol ng kalidad mula sa simula. Ngayon, ito ay isang aplikasyon na nakalista lamang sa opisyal na dokumentasyon. Gusto kong makita ang mas tiyak na paraan ng pagpapatupad: paano i-verify ang kwalipikasyon, paano protektahan ang mga tagapag-label na hindi kailangan ipakita ang lahat ng kanilang personal na impormasyon, at paano i-trace ang mga maling label kapag natuklasan. Dapat matutunan ng AI na magpasya—at dapat ring maaaring i-verify kung sino ang nagtuturo sa kanya. #PrimusLabs #AIData @KaitoAI